一天撸完Python-Opencv常用函数和基本思想(续集)

我不是女神ヾ 2022-12-17 09:59 145阅读 0赞

1 形态学转换  
![在这里插入图片描述][20201023132438487.png_pic_center]  
形态学操作是根据图像形状进行的简单操作。  
一般情况下对二值化图像进行操作。需要输入两个参数，一个原始图像，第二个被称为结构化元素或核，它是用来操作的性质的。两个基本的形态学操作是腐蚀核膨胀。  
他们的变体构成了开运算，闭运算，梯度等。

1.1 腐蚀  
就像土壤侵蚀一样，这个操作会把前景物体的边界腐蚀掉（但是前景仍然是白色）。这是怎么做到的呢？卷积核沿着图像滑动，**如果与卷积核对应的原图像的所有像素值都是1,那么中心元素就保持原来的像素值，否则就变为零。**  
这回产生什么影响呢？根据卷积核的大小靠近前景的所有像素都会被腐蚀掉（变为0),所以前景物体会变小，整幅图像的白色区域会减少。\*\*这对于去除白噪声很有用，也可以用来断开两个连在一块的物体等。\*\*这里我们有一个例子，使用一个5x5的卷积核，其中所有的值都是以。让我们看看他是如何工作的：

看看代码：

img = cv2.imread("erode.png",0)
    kernel = np.ones((5,5),np.uint8)
    erosion = cv2.erode(img,kernel,iterations=1)
    erosion = cv2.resize(erosion, (320, 320), interpolation=cv2.INTER_CUBIC)#由于图像太小，这里使用放大一下
    cv2.imshow("erode",erosion)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

这个是原图：  
![在这里插入图片描述][20201023133856939.png_pic_center]

这个是腐蚀后的图像  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center]  
1.2 膨胀  
与腐蚀相反，与卷积核对应的原图像的像素值中只有一个是1，中心元素的像素值就是1,。所以这个操作会增加图像中的白色区域（前景）。一般在去噪声时先用腐蚀再用膨胀。这时噪声已经被取出来，不会再回来了，但是前景还在并会增加。  
膨胀也可以用来连接两个分开的物体。  
下面分别是原图，腐蚀，腐蚀后膨胀的图像，代码如下：

img = cv2.imread("erode.png",0)
    kernel = np.ones((5,5),np.uint8)
    img = cv2.resize(img, (320, 320), interpolation=cv2.INTER_CUBIC)
    cv2.imshow("img",img)
    erosion = cv2.erode(img,kernel,iterations=1)
    erosion = cv2.resize(erosion, (320, 320), interpolation=cv2.INTER_CUBIC)
    cv2.imshow("erode",erosion)
    dilation = cv2.dilate(erosion,kernel,iterations=1)
    cv2.imshow("dilation",dilation)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

闭运算  
先膨胀在腐蚀，它经常用来填充前景物体中的小洞，或者前景物体上的小黑点。

img = cv2.imread("closing.png",0)
    kernel = np.ones((9,9),np.uint8)
    img = cv2.resize(img, (320, 320), interpolation=cv2.INTER_CUBIC)
    cv2.imshow("img",img)
    # erosion = cv2.erode(img,kernel,iterations=1)
    # erosion = cv2.resize(erosion, (320, 320), interpolation=cv2.INTER_CUBIC)
    # cv2.imshow("erode",erosion)
    # dilation = cv2.dilate(erosion,kernel,iterations=1)
    # cv2.imshow("dilation",dilation)
    opening = cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
    cv2.imshow("opening",opening)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 4]  
1.3 形态学梯度  
其实就是一幅图像膨胀与腐蚀的差别  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 5]  
其实形态学就是原图像膨胀与原图像腐蚀做差后的结果

--------------------

**图像梯度**  
2 图像梯度，图像边界等  
使用到的函数有：从cv2.Sobel(), cv2.Schar(), cv2.Laplacian()等  
Sobel、Schar其实就是求一届或二阶导数  
Scharr：当内核大小为3时, 以上Sobel内核可能产生比较明显的误差(毕竟，Sobel算子只是求取了导数的近似值)。 为解决这一问题，OpenCV提供了 Scharr 函数，但该函数仅作用于大小为3的内核。该函数的运算与Sobel函数一样快，但结果却更加精确，不怕干扰，其内核为:  
[Scharr][]

2.1 Laplacian算子  
![在这里插入图片描述][20201023151611131.png_pic_center]  
![在这里插入图片描述][20201023151621848.png_pic_center]  
![在这里插入图片描述][2020102315163338.png_pic_center]  
代码：

img = cv2.imread("erode.png",1)
    laplacian = cv2.Laplacian(img,cv2.CV_64F)
    sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
    sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)
    
    plt.subplot(2,2,1),plt.imshow(img,cmap='gray')
    plt.title('original'),plt.xticks([]),plt.yticks([])
    
    plt.subplot(2,2,2),plt.imshow(laplacian,cmap='gray')
    plt.title('laplacian'),plt.xticks([]),plt.yticks([])
    
    plt.subplot(2,2,3),plt.imshow(sobelx,cmap='gray')
    plt.title('sobelx'),plt.xticks([]),plt.yticks([])
    
    plt.subplot(2,2,4),plt.imshow(sobely,cmap='gray')
    plt.title('sobely'),plt.xticks([]),plt.yticks([])
    
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 6]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 7]  
2.2 Canny边缘检测  
由于边缘信息很容易受到噪声的影响，所以第一步是使用5X5的高斯滤波器去除噪声。

img = cv2.imread("pic.png",0)
    edges = cv2.Canny(img,100,180)
    
    plt.subplot(121),plt.imshow(img,cmap='gray')
    plt.title('original image'),plt.xticks([]),plt.yticks([])
    plt.subplot(122),plt.imshow(edges,cmap='gray')
    plt.title('edges image'),plt.xticks([]),plt.yticks([])
    
    plt.show()
    cv2.waitKey(0)
    cv2.destroyAllWindows()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 9]  
步骤：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 10]  
4 直方图

import  numpy as np
    import matplotlib.pyplot as plt
    import  cv2
    
    # 1读取两幅图像
    A = cv2.imread("Apple.png",0)
    plt.hist(A.ravel(),256,[0,256])
    plt.show()
    cv2.waitKey(0)
    cv2.destroyAllWindows()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 11]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 12]

A = cv2.imread("Apple.png",0)
    plt.hist(A.ravel(),256,[0,256])
    equ = cv2.equalizeHist(A)
    res = np.hstack((A,equ))
    cv2.imshow("hist",res)
    plt.show()
    cv2.waitKey(0)
    cv2.destroyAllWindows()

内容还是很多的，由于时间关系，就到这里，谢谢各位!

[20201023132438487.png_pic_center]: /images/20221122/96d97625d0894ea3848a74269df16bb9.png
[20201023133856939.png_pic_center]: /images/20221122/53ad62d6657c459692925b250231b50a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center]: /images/20221122/55cc376fb9bb40d9ab315439b82fd083.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221122/e02d1e5b700f416785c549163adc2821.png
[20201023143535483.png_pic_center]: /images/20221122/072c24af64eb43f1a412ebc255afe03b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221122/6509ffcaa9bf4e73b2589296abd31dd5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221122/a967c15ad1aa428497ae1b78d0656a16.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221122/a25c87172d9c44ecaf393bc7b5ab30b8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221122/391c8572372e4619a8a6821ca30b1504.png
[Scharr]: https://www.cnblogs.com/sevenyuan/p/7874344.html
[20201023151611131.png_pic_center]: /images/20221122/aed059a4a7fe4476973b4761a1705bca.png
[20201023151621848.png_pic_center]: /images/20221122/cdaf795eae85489ca03542f036233376.png
[2020102315163338.png_pic_center]: /images/20221122/c100c19f980540bc80f570bf154e34ac.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20221122/f6451a6eadf44acea701b514722d6f28.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 7]: /images/20221122/9eff6e520f1246748d8010d620f898ba.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 8]: /images/20221122/da30c26bef9f41f0beebb74708d4dd5f.png
[20201023154748520.png_pic_center]: /images/20221122/9efab8db3bb2479c842b62b688687b5e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 9]: /images/20221122/63efc255a7034328807d1b018d92e811.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 10]: /images/20221122/8e7f2a38854a422595a87682544537f6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 11]: /images/20221122/1d76e5fd31ca41f7b16b08f382f2b9e1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjk4OTczOA_size_16_color_FFFFFF_t_70_pic_center 12]: /images/20221122/e6d67891d1474c88b80c184a22b49f2d.png